論文の概要: Automatic Mapping of AutomationML Files to Ontologies for Graph Queries and Validation

• arxiv url: http://arxiv.org/abs/2504.21694v1
• Date: Wed, 30 Apr 2025 14:34:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 18:13:11.819731
• Title: Automatic Mapping of AutomationML Files to Ontologies for Graph Queries and Validation
• Title（参考訳）: グラフクエリとバリデーションのためのオントロジーへの自動化MLファイルの自動マッピング
• Authors: Tom Westermann, Malte Ramonat, Johannes Hujer, Felix Gehlhoff, Alexander Fay,
• Abstract要約: AutomationMLは、自動化ドメインにおけるオープンデータ交換フォーマットとして広く採用されている。 これは、マークアップ言語XMLに基づいたオープンでベンダー中立の標準である。 この記事では、AutomationML標準における概念の最新のオントロジーと、AutomationMLモデルを自動的にRDFトリプルに変換するマッピングを提供する。
• 参考スコア（独自算出の注目度）: 41.19948826527649
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AutomationML has seen widespread adoption as an open data exchange format in the automation domain. It is an open and vendor neutral standard based on the extensible markup language XML. However, AutomationML extends XML with additional semantics, that limit the applicability of common XML-tools for applications like querying or data validation. This article provides practitioners with 1) an up-to-date ontology of the concepts in the AutomationML-standard, as well as 2) a declarative mapping to automatically transform any AutomationML model into RDF triples. Together, these artifacts allow practitioners an easy integration of AutomationML information into industrial knowledge graphs. A study on examples from the automation domain concludes that transforming AutomationML to OWL opens up new powerful ways for querying and validation that are impossible without transformation.
• Abstract（参考訳）: AutomationMLは、自動化ドメインにおけるオープンデータ交換フォーマットとして広く採用されている。 これは拡張可能なマークアップ言語XMLに基づいたオープンでベンダー中立の標準である。 しかし、AutomationMLはXMLを拡張し、クエリやデータバリデーションのようなアプリケーションに対する一般的なXMLツールの適用性を制限します。 この記事は実践者に提供します 1【自動化ML標準における概念の最新のオントロジー】 2) 宣言型マッピングによって、任意のAutomationMLモデルをRDFトリプルに自動変換する。 これらのアーティファクトによって、実践者はAutomationML情報を産業知識グラフに簡単に統合できる。 AutomationMLをOWLに変換することで、変換なしでは不可能なクエリやバリデーションのための、新たな強力な方法が開かれる、とAutomationドメインの例に関する調査は結論付けている。

関連論文リスト

• LLM-AutoDiff: Auto-Differentiate Any LLM Workflow [58.56731133392544]
  自動プロンプト工学(APE)のための新しいフレームワーク LLM-AutoDiff について紹介する。 LLMs-AutoDiffは、各テキスト入力をトレーニング可能なパラメータとして扱い、フリーズした後方エンジンを使用して、テキスト勾配に対するフィードバック・アキンを生成する。 精度とトレーニングコストの両方において、既存のテキスト勾配ベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2025-01-28T03:18:48Z)
• UniAutoML: A Human-Centered Framework for Unified Discriminative and Generative AutoML with Large Language Models [5.725785427377439]
  我々は、人間中心のAutoMLフレームワークであるUniAutoMLを紹介し、AutoMLを識別的タスクと生成的タスクの両方に統一する。 UniAutoMLの人間中心の設計は、自然言語の対話を容易にする対話型ユーザインタフェース(CUI)を革新的に特徴付けている。 この設計により、AutoMLトレーニングプロセス全体の透明性とユーザコントロールが向上し、ユーザがトレーニング対象のモデルをシームレスに分解あるいは修正できるようになる。
  論文  参考訳（メタデータ） (2024-10-09T17:33:15Z)
• AutoML-Agent: A Multi-Agent LLM Framework for Full-Pipeline AutoML [56.565200973244146]
  自動機械学習(Automated Machine Learning, ML)は、開発パイプライン内のタスクを自動化することによって、AI開発を加速する。 近年の作業では,そのような負担を軽減するために,大規模言語モデル(LLM)の利用が始まっている。 本稿では,フルパイプのAutoMLに適した新しいマルチエージェントフレームワークであるAutoML-Agentを提案する。
  論文  参考訳（メタデータ） (2024-10-03T20:01:09Z)
• AutoM3L: An Automated Multimodal Machine Learning Framework with Large Language Models [6.496539724366041]
  本稿では,革新的マルチモーダル機械学習フレームワークAutoM3Lを紹介する。 AutoM3Lはデータモダリティを理解し、ユーザ要求に基づいて適切なモデルを選択する。 6つの多様なマルチモーダルデータセット上でのAutoM3Lの性能評価を行った。
  論文  参考訳（メタデータ） (2024-08-01T16:01:51Z)
• Assessing the Use of AutoML for Data-Driven Software Engineering [13.524883764376481]
  AutoMLは、エンドツーエンドのAI/MLパイプラインの構築を自動化することを約束する。 関心の高まりと高い期待にもかかわらず、AutoMLが現在採用されている範囲に関する情報が不足している。
  論文  参考訳（メタデータ） (2023-07-20T11:14:24Z)
• Large Language Models for Automated Data Science: Introducing CAAFE for Context-Aware Automated Feature Engineering [52.09178018466104]
  データセットのセマンティックな特徴を生成するために、コンテキスト認識自動特徴工学(CAAFE)を導入する。 方法論的には単純だが、CAAFEは14のデータセットのうち11のパフォーマンスを改善している。 我々は,AutoMLシステムの範囲をセマンティックなAutoMLに拡張できるコンテキスト認識ソリューションの重要性を強調した。
  論文  参考訳（メタデータ） (2023-05-05T09:58:40Z)
• Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
  自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。 本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
  論文  参考訳（メタデータ） (2023-04-28T10:27:38Z)
• Toward a Generic Mapping Language for Transformations between RDF and Data Interchange Formats [69.50862982117127]
  我々は,ユーザが任意の構造を持つデータ交換形式に意味情報の変換を作成できる汎用マッピング手法を開発することを目指している。 評価は、3Dモデリングツールでエンジニアリング情報を使用する必要があるユースケースで行われる。
  論文  参考訳（メタデータ） (2022-07-21T15:12:20Z)
• XAutoML: A Visual Analytics Tool for Understanding and Validating Automated Machine Learning [5.633209323925663]
  XAutoMLは、AutoMLによって構築された任意のAutoML最適化手順とMLパイプラインを説明するための、インタラクティブなビジュアル分析ツールである。 XAutoMLは、インタラクティブな視覚化と、説明可能な人工知能(XAI)の確立したテクニックを組み合わせることで、完全なAutoML手順を透過的かつ説明可能なものにする。
  論文  参考訳（メタデータ） (2022-02-24T08:18:25Z)
• Evaluation of Representation Models for Text Classification with AutoML Tools [0.9318327342147515]
  この作業は、AutoMLツールによって自動生成される3つの手作業によるテキスト表現とテキスト埋め込みを比較する。 結果は、自動生成されたテキスト埋め込みによって、単純なテキスト表現がAutoMLツールよりも優れていることを示している。
  論文  参考訳（メタデータ） (2021-06-24T07:19:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。